具身智能：当 AI 离开屏幕
具身智能不是「会聊天的机器人」。解释身体为什么重要、莫拉维克悖论说明了什么，以及这个领域真正的瓶颈在哪里。
什么是具身智能
具身智能（Embodied AI）指依赖物理身体与真实环境交互来完成任务、并从中获得智能行为的 AI 系统——最典型的载体是机器人。它和大语言模型的区别不在于「能不能对话」，而在于「要不要对物理世界负责」：聊天机器人说错一句话的代价是道歉，机器人抓错一个物件的代价可能是打碎杯子甚至伤到人。
过去两年这个领域升温很快，直接原因是语言模型给了机器人一直缺失的两样东西：听得懂开放指令的语言理解，和把陌生物体归入常识类别泛化的视觉理解。机器人的「大脑」第一次跟上了它的「身体」。
身体为什么重要：莫拉维克悖论
AI 研究者莫拉维克（Hans Moravec）在八十年代观察到一个反直觉的事实：让 AI 下棋、做逻辑推理很容易，让它像一岁小孩那样感知环境、抓取物体、绕开障碍却极难。逻辑推理是人类晚近才进化出的能力，进化打磨的时间短、路径浅；而感知与运动控制经过数亿年演化，被优化得极其精巧，其复杂性恰恰是最难被形式化的。
这解释了为什么 GPT 能通过司法考试，而最好的机器人实验室里，机械臂叠一块积木仍要反复调试。智能的难度分布和人类直觉正好相反——这是理解具身智能全部困难的第一把钥匙。
当前技术路线：VLA 与世界模型
主流路线是视觉-语言-动作模型（Vision-Language-Action, VLA）：在预训练视觉语言模型的底座上，接入动作输出头，让模型直接从「看到的画面 + 听到的指令」推出「关节该怎么动」。另一条互补路线是世界模型（World Model）：让模型在内部学习物理世界的动力学规律，先在「脑内」推演动作后果，再执行到真实世界，用以降低试错成本。
两条路线都在快速迭代，格局未定。但有一个工程事实已经清楚：它们都极度依赖真实交互数据——而互联网上文本可以无限爬，机器人抓杯子的高质量演示数据却没有现成的。遥操作采集、仿真合成、视频学习三条数据路径都在被押注，哪家先把数据飞轮转起来，可能比谁的模型架构更优雅更能决定胜负。
观点：瓶颈在数据，不在模型
本篇观点：具身智能当前的第一瓶颈是交互数据，而不是模型架构。语言模型的成功建立在「整个互联网当训练集」之上，机器人没有这样的奢侈。所以评估具身智能公司的进展时，与其看 demo 视频的惊艳程度（剪辑空间太大），不如看它积累了多少可复用的真实交互数据、数据采集成本降得多快。数据飞轮转起来的团队，护城河会越转越深。
也要诚实：具身智能的落地节奏大概率慢于纯软件 AI——硬件迭代周期以年计，安全验证无法跳过，「机器人进入千家万户」的时间表普遍被高估。对企业而言，现阶段务实的切入点是结构化程度高、容错空间大的工业场景，而不是家庭场景。
小结
- 具身智能 = 物理身体 + 真实环境交互，对物理世界负责是与纯软件 AI 的本质区别。
- 莫拉维克悖论：感知与运动控制比逻辑推理更难，智能的难度分布与直觉相反。
- VLA 与世界模型是两条主线，共同的命门是真实交互数据的获取成本。
- 现阶段看团队先看数据飞轮；落地顺序大概率是工业先于家庭。